اولین مدل هوش مصنوعی الوریان می خواهد با تصاویر استدلال کند، نه فقط درباره آنها

مدل Glimpse به عنوان پیش‌نمایش تحقیقاتی با دسترسی API راه‌اندازی می‌شود و رابط چت فقط در لیست انتظار است، بنابراین در حال حاضر جدول نتایج و پایان‌نامه است. پایان نامه؟ مدل‌های هوش مصنوعی امروزی، با همه مهارت‌هایشان در زبان و کد، هنوز واقعا نمی‌توانند ببینند.

اکثر مدل‌های چند وجهی یک بار به یک تصویر نگاه می‌کنند، آن را به نشانه تبدیل می‌کنند و سپس در مورد آن در متن استدلال می‌کنند - مانند توصیف یک عکس از حافظه. Glimpse مدام به منبع باز می گردد. در حد متوسط، می‌تواند به یک منطقه برش دهد، فریم‌های خاصی را از یک ویدیو بکشد، یا کدی را برای اندازه‌گیری یا مقایسه آنچه که به آن نگاه می‌کند اجرا کند، مکانیزمی که الوریان آن را «فضای خراش بصری» می‌نامد. به کسی فکر کنید که روی عکس تلفن زوم می کند تا آنچه را که فکر می کند دیده است بررسی کند.

برای محقق سابق گوگل دیپ مایند و مدیر عامل Elorian، اندرو دای، یکی از واضح‌ترین نشانه‌هایی که هوش مصنوعی هنوز واقعا نمی‌توانست ببیند، در شب بازی رخ داد.

سال گذشته او از یک بازی رومیزی که به تازگی با دوستانش تمام کرده بود عکس گرفت و از یک مدل مرزی پرسید که برنده شده است. نمی توانست بگوید. او به TechCrunch گفت: بازی‌های رومیزی «هر کدام زبان بصری خود را دارند، هر کدام نمادها، نمادهای خود را دارند». "برای یک بزرگسال، درک آنچه در متن کمتر اتفاق می افتد بسیار آسان است، اما این مدل ها قادر به درک معنای نمادها نیستند."

"انسان ها می توانند به نمودارهای IKEA بدون متن نگاه کنند و مبلمان IKEA را جمع آوری کنند، درست است؟ چرا مدل های هوش مصنوعی نمی توانند؟" او گفت.

این رویکرد کاملا جدید نیست - OpenAI در طول استدلال به مدل‌های سری o خود در سال 2025 برش و زوم را اضافه کرد - اما هدف Elorian این است که کل مدل را با قیمت ارزان ساخته است. این شرکت می‌گوید یک تیم کوچک Glimpse را روی چند صد پردازنده گرافیکی آموزش داده و این مدل به طور قابل‌توجهی کوچک‌تر از سیستم‌های مرزی است.

اما بر اساس ارزیابی‌های Elorian، Glimpse حتی از GPT-6 Astra در استدلال علمی نمودار و شرح ویدیوهای کوتاه، با نتایج رقابتی در سایر وظایف استدلال بصری، بهتر عمل می‌کند.

الوریان شش ماه پیش با یک دور به رهبری Striker Venture Partners، Menlo Ventures و Altimeter Capital، با مشارکت Nvidia و دانشمند ارشد Google، Jeff Dean، از مخفی کاری خارج شد.

اهداف اولیه شرکت هایی هستند که روی ویدیوهای زیادی نشسته اند: شرکت های رباتیک، آزمایشگاه های علمی، رسانه ها و شرکت های خلاق. در دراز مدت، الوریان می خواهد از دیدن به انجام حرکت کند. این به معنای ساختن یک مدل از صحنه با استفاده از آن برای انتخاب یک عمل، از جمله کنترل مستقیم روبات‌ها است. دای گفت، سال آینده، این شرکت قصد دارد «بهترین مدل استدلال بصری جهان» را بسازد، مدلی که در هر آزمون استدلال بصری پیشرو باشد.

وقتی از طریق پیوندهای موجود در مقالات ما خرید می کنید، ممکن است کمیسیون کمی کسب کنیم. این بر استقلال تحریریه ما تأثیر نمی گذارد.

تسلا از رودستر اسپیس ایکس رونمایی کرد که با سبک شان اوکین پرواز و سقوط می کند.

اف بی آی کارمند OpenAI را متهم به کار گذاشتن دستگاه ضبط مخفی در اتاق کنفرانس Zack Whittaker دستگیر کرد

فقط 5 سال بعد، پلتفرم چت بات تعاملی Character.AI فایل هایی برای ورشکستگی ایوان مهتا ایجاد کرد

متا اولین مدل مرزی خود را با نام Muse Wonder Russell Brandom منتشر کرد

این استارت‌آپ هوش مصنوعی می‌گوید که می‌تواند طرح‌های آماده مجوز را در عرض چند دقیقه، Kirsten Korosec ایجاد کند

حمله ایلان ماسک به آمبانی به دلیل تاخیر در پرتاب استارلینک هند جگمیت سینگ